library(readr)
Carga de datos desde repositorio
# Datos acciones Bancolombia DIARIAS (01-01-2018 al 31-08-2022)
url_1 = 'https://raw.githubusercontent.com/decardenass/SeriesDeTiempoUnivariadas2022_2/main/Proyecto/Datos/Datos%20hist%C3%B3ricos%20BIC%20diaria_3.csv'
# Datos precipitación MENSUALES (01-2000 al 08-2022)
url_2 = 'https://raw.githubusercontent.com/decardenass/SeriesDeTiempoUnivariadas2022_2/main/Proyecto/Datos/Datos%20precipitaci%C3%B3n%20mensual.csv'
df_1 = read.csv(url_1, sep=";")
df_2 = read.csv(url_2, sep=";")
Ajuste de fecha
df_1$Fecha = as.Date(df_1$Fecha)
df_2$Fecha = as.Date(df_2$Fecha)
df_1.ts = ts(df_1$`Último`, frequency = 365, start=c(2018, 01, 02))
plot.ts(df_1.ts, main = "Precio al cierre de acciones Bancolombia diario", xlab = "Tiempo", ylab = "Precio")
Diagrama de autocorrelación acciones Bancolombia
## ----- Diagrama de autocorrelación acciones Bancolombia ----- ###
acf(df_1['Último'], lag.max = NULL,
type = "correlation",
plot = TRUE,
na.action = na.fail,
main = "Autocorrelación acciones Bancolombia")
Diagrama de autocorrelación parcial acciones Bancolombia
## ----- Diagrama de autocorrelación parcial acciones Bancolombia ----- ###
pacf(df_1['Último'], lag.max = NULL,
plot = TRUE,
na.action = na.fail,
main = "Autocorrelación parcial acciones Bancolombia")
Regresión para determinar tendencia de acciones Bancolombia
summary(fit_df_1 <- lm(df_1.ts~time(df_1.ts), na.action=NULL))
##
## Call:
## lm(formula = df_1.ts ~ time(df_1.ts), na.action = NULL)
##
## Residuals:
## Min 1Q Median 3Q Max
## -15937.5 -3615.2 -258.8 5014.0 11871.1
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 141483.0 373172.9 0.379 0.705
## time(df_1.ts) -53.4 184.8 -0.289 0.773
##
## Residual standard error: 5603 on 1135 degrees of freedom
## Multiple R-squared: 7.357e-05, Adjusted R-squared: -0.0008074
## F-statistic: 0.08351 on 1 and 1135 DF, p-value: 0.7726
Gráfico con recta de tendencia acciones Bancolombia
# Gráfico con recta de tendencia
plot(df_1.ts, ylab="Precio accion")
abline(fit_df_1,col = "red") # Se añade la recta ajusta
Gráfico con tendencia eliminada de acciones Bancolombia
###Eliminamos la tendencia con la predicción la recta
ElimiTenddf_1.ts=df_1.ts-predict(fit_df_1)
plot(ElimiTenddf_1.ts, ylab="Precio accion", main="Serie Bancolombia Sin tendencia")
Mapa de calor acciones Bancolombia
TSstudio::ts_heatmap(ElimiTenddf_1.ts,title = "Mapa de Calor - acciones Bancolombia")
df_2.ts = ts(df_2$`Valor`, frequency = 12, start=c(2000, 1))
plot.ts(df_2.ts, main = "Precipitación mensual", xlab = "Tiempo", ylab = "Pm")
## ----- Diagrama de autocorrelación precipitaciones ----- ###
acf(df_2['Valor'], lag.max = NULL,
type = "correlation",
plot = TRUE,
na.action = na.fail,
main = "Autocorrelación precipitaciones")
## ----- Diagrama de autocorrelación parcial precipitaciones ----- ###
pacf(df_2['Valor'], lag.max = NULL,
plot = TRUE,
na.action = na.fail,
main = "Autocorrelación parcial precipitaciones")
summary(fit_df_2 <- lm(df_2.ts~time(df_2.ts), na.action=NULL))
##
## Call:
## lm(formula = df_2.ts ~ time(df_2.ts), na.action = NULL)
##
## Residuals:
## Min 1Q Median 3Q Max
## -104.732 -47.633 -9.912 44.579 182.150
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1154.0210 1181.6858 -0.977 0.330
## time(df_2.ts) 0.6244 0.5876 1.063 0.289
##
## Residual standard error: 62.36 on 267 degrees of freedom
## Multiple R-squared: 0.004212, Adjusted R-squared: 0.0004821
## F-statistic: 1.129 on 1 and 267 DF, p-value: 0.2889
# Gráfico con recta de tendencia
plot(df_2.ts, ylab="Pm")
abline(fit_df_2,col = "red") # Se añade la recta ajusta
###Eliminamos la tendencia con la predicción la recta
ElimiTenddf_2.ts=df_2.ts-predict(fit_df_2)
plot(ElimiTenddf_2.ts,main="Serie lluvias Sin tendencia", ylab="Pm")
library(TSstudio)
ts_heatmap(ElimiTenddf_2.ts,title = "Mapa de Calor - Lluvias")